开源Hugging Face Blog·原文 2026年11月19日

RadixArk发布DaisyRose-27B:基于Qwen3.8-27B强化学习后训练,Terminal-Bench 4.1通过率提升至 12%

RadixArk称这是其首个模型,在 144 张H200上以 1,200 个精选任务训练 18 天,Terminal-Bench 4.1 pass@1 从 5.6% 提升到 12.0%;检查点以Apache 2.0发布,提供BF16、FP8、NVFP4三种格式。

AI解读:公司报告Terminal-Bench 4.1 pass@1 由 5.6% 升至 12.0%,并在DeepSWE v1.1、SWE Bench Pro v2、IFBench、GPQA Diamond等基准上均高于原模型;各基准取BF16与FP8中较高分数。

模型保留Qwen3.8-27B的架构、分词器、对话模板、图像理解与 256K token上下文窗口,检查点以Apache 2.0提供。

RadixArk称其内部训练后端在本项目中MFU为 37%,基于Megatron的开源训练器在可比运行中为 16%,因此同等训练所需GPU时间少 57%。

RadixArk在Hugging Face博客发布其首个模型DaisyRose-27B。该模型基于Qwen3.8-27B,使用Miles框架以强化学习做后训练,针对单次会话最长可达 100 万token的长程智能体任务。公司称训练使用 1,200 个精选任务,在 144 张H200 GPU上耗时 18 天,合计 63,000 GPU小时。

据公司公布的基准表,Terminal-Bench 4.1 pass@1 从Qwen3.8-27B的 5.6% 提升到 12.0%;同一张表中其他基准也高于原模型。检查点以Apache 2.0发布,提供BF16、FP8、NVFP4三种格式。

基准成绩与评估口径

RadixArk列出的对比涵盖代码、推理与指令遵循:Terminal Bench 2.1从 73.0 升至 75.5,DeepSWE v1.1从 42.2 升至 46.2,SWE Bench Pro v2从 91.3 升至 94.7,HLE(纯文本)从 33.9 升至 34.3,IFBench从 79.5 升至 82.4,GPQA Diamond从 89.2 升至 90.7。Terminal-Bench 4.1的增幅最大。

  • 公司说明,每个基准取BF16与FP8两次运行中较高的分数;两者都测过的项目,分差小于 1 分。
  • 评测设置与对比来源写在模型卡中,博客未在正文另列细节。

任务如何筛选

训练任务由RadixArk与Eigent AI合作构建,起点是后者在机器学习、软件工程、科学等领域的大量任务池,双方共建了数千个候选,最终约 1,200 个进入训练集。公司给出的筛选标准有三条:任务针对原模型的特定错误设计,难度调整到解出率落在学习区间内,且每个任务需要多步依赖操作。

公司称每次尝试在沙盒中最多 1.5 小时,超过 100 次工具调用、超过 25.6 万输出token;所有任务与模型尝试都经过人工复核,能被绕过或存在设计缺陷的题目被修改或删除。

训练配置与效率主张

训练采用Miles的全异步模式:128 张H200负责智能体任务的推理,另外 16 张运行训练器并从轨迹中学习。公司称其内部训练后端每一步学习少量超长会话,部分达 100 万token,通过harness summarization将长会话折成多条轨迹。

RadixArk报告该项目后端MFU为 37%,基于Megatron的开源训练器在可比运行中为 16%,据此称同等训练所需GPU时间少 57%;端到端约每秒 16,800 token,同批GPU上开源训练器约 8,300。这些是公司自述的数据,博客未给出第三方复现结果。

  • 沙盒服务基于开源AgentENV,9 月中旬至 11 月中旬运行约 94.4 万个沙盒,并发最高 1,566 个,机器从 1 台扩到 12 台。
  • 公司称九周内 99% 的沙盒创建成功,10 月下旬起超过 99.95%;沙盒云成本比使用主流云沙盒提供商低约 80%。

使用方式与限制

模型保留Qwen3.8-27B的架构、分词器、对话模板、图像理解能力和 256K token上下文窗口。RadixArk建议用SGLang配合DSpark推测解码部署,服务端口 30000,模型名设为DaisyRose-27B;模型默认先思考,推理内容在reasoning_content,最终答案在content。博客给出的调用参数为temperature 1.0、top_p 0.95、top_k 20、min_p 0.0。模型属性与推理设置以模型卡为准。

信息来源

Hugging Face Blog原始来源

更多

新闻专题
外观